在圖像分類領域,傳統(tǒng)的圖像分類系統(tǒng)要想準確識別某種類別,必須先獲取對應類別的帶標簽訓練樣本,抽樣其中部分樣本作為訓練集構造分類器,再進行測試分類。但實際情況中,目標種類數(shù)目龐大,獲取所有類別的標注樣本代價昂貴,反言之,當有大量圖片需要分類時,為每一圖像收集相應的標簽進行標注也往往不太現(xiàn)實,此時傳統(tǒng)的分類方法往往難以奏效。為解決這一問題,研究人員提出了利用諸如文本等輔助信息源對訓練期間未見類別實現(xiàn)分類,這類學習方式叫做零樣本學習(Zero-Shot Learning),源于人類僅通過描述就能識別新事物的能力。然而,目前模型大多局限于單個標簽的圖像分類,實際大多數(shù)圖像包含多個對象類別,對應多個標簽。零樣本多標簽圖像分類作為一類交叉學習任務,既面臨零樣本學習任務的難點,也面臨多標簽分類任務的挑戰(zhàn)。本文結合兩類學習任務的特點,對這一特定學習任務進行分析,并分別實現(xiàn)了兩種零樣本多標簽圖像分類模型。首先提出了基于深度排序學習的零樣本多標簽圖像分類框架,包括特征提取、跨模態(tài)映射和多標簽分類三部分內容。特別地,提出一種跨模態(tài)模型DEM(Deep Embedding Model,DEM),實現(xiàn)視覺特征和...

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 課題研究的背景和意義
    1.2 零樣本多標簽圖像分類的研究現(xiàn)狀
        1.2.1 零樣本學習任務及其難點
        1.2.2 現(xiàn)有的多標簽圖像分類方法
        1.2.3 零樣本多標簽圖像分類任務
    1.3 本文研究目標和研究內容
        1.3.1 研究目標
        1.3.2 研究內容
    1.4 本文內容安排
第2章 零樣本學習的相關理論介紹
    2.1 卷積神經網絡
    2.2 模型類別劃分
        2.2.1 監(jiān)督學習
        2.2.2 直推式學習和歸納式學習
    2.3 遷移學習
    2.4 多模態(tài)學習
        2.4.1 研究現(xiàn)狀及其難點
        2.4.2 目前主流算法
    2.5 屬性特征
    2.6 文本向量化
        2.6.1 文本向量化概述
        2.6.2 Word2vec模型簡介
    2.7 本章小結
第3章 基于深度排序學習的零樣本多標簽圖像分類
    3.1 問題定義
    3.2 基于深度RankSVM的零樣本多標簽圖像分類
        3.2.1 DEM模型
        3.2.2 DRankSVM分類算法
        3.2.3 TraMP分類算法
    3.3 實驗
        3.3.1 數(shù)據(jù)集選取和模型參數(shù)設置
        3.3.2 評價指標
        3.3.3 實驗對比分析
    3.4 本章小結
第4章 基于深度多示例的零樣本多標簽圖像分類
    4.1 基于深度示例差異化算法的零樣本多標簽圖像分類
    4.2 跨模態(tài)映射模型泛化
        4.2.1 自訓練策略
        4.2.2 特征融合策略
    4.3 實驗結果及分析
        4.3.1 實驗設置和對比算法
        4.3.2 實驗對比分析
    4.4 本章小結
第5章 總結與展望
    5.1 本文工作總結
    5.2 展望
參考文獻
發(fā)表論文和參加科研情況說明
致謝



本文編號：3750613